基于CNN融合扩展2D显著性模型用于360度图像中的头部运动预测
图像与视频处理
2020-02-24 v1 信号处理
摘要
显著性预测对360度图像/视频应用(包括压缩、流媒体、渲染和视点引导)具有很大益处。因此，将2D显著性预测方法适配于360度图像是很自然的。为此，需要将360度图像投影到2D平面。然而，现有的投影技术会引入不同的畸变，导致结果较差，并使2D显著性预测模型直接应用于360度内容时效率低下。因此，本文提出了一种新框架，用于将任意2D显著性预测方法有效应用于360度图像。该框架特别包含一种基于卷积神经网络的新颖融合方法，可提供更准确的显著性预测，同时避免引入畸变。我们使用五种2D显著性预测方法对所提框架进行了评估，实验结果表明，与加权求和或逐像素最大融合方法相比，我们的方法具有优越性。
引用
@article{arxiv.2002.09196,
title = {Extending 2D Saliency Models for Head Movement Prediction in 360-degree Images using CNN-based Fusion},
author = {Ibrahim Djemai and Sid Fezza and Wassim Hamidouche and Olivier Deforges},
journal= {arXiv preprint arXiv:2002.09196},
year = {2020}
}